一种骨龄评估方法、系统及计算机可读存储介质技术方案

本发明专利技术提供了一种骨龄评估方法、系统及计算机可读存储介质，骨龄评估方法，包括以下步骤：获取具有手掌图像的医学图像，并基于YOLOV5目标检测方法提取医学图像中的骨骺区域；筛选具有骨骺区域的医学图像的数量至一第一阈值，并对筛选后的医学图像裁剪至预设尺寸，以得到预设数量的ROI图像；将每一ROI图像作为输入图像输入至卷积神经网络中，其中卷积神经网络具有预设数量的并行本地网络；卷积神经网络将每一本地网络输出的特征向量拼接，形成一特征向量集，并对特征向量集执行Dropout操作后使用带线性激活的全连接层执行回归操作，得到骨龄信息。采用上述技术方案后，基于卷积神经网络模拟骨龄评估过程，在临床医学应用上很有必要。上很有必要。上很有必要。

【技术实现步骤摘要】
一种骨龄评估方法、系统及计算机可读存储介质


[0001]本专利技术涉及医学图像处理领域，尤其涉及一种骨龄评估方法、系统及计算机可读存储介质。

技术介绍

[0002]骨骼年龄，简称骨龄，指骨骼测定年龄，是用骨骼生长发育中成熟和衰老的规律推断的年龄。骨骼在不同的成熟阶段呈现不同的形态特征，因此可以根据骨骼特征对骨龄进行评估，一般是利用影像判断手腕骨、膝部骨等部位在生长中的发育情况，测定骨骼的形态、大小、结构以及相互关系的变化，通过制定完备的标准得到生物年龄。
[0003]如上所述的，骨龄能够最为准确地表示人体的发育程度，因此骨骼评估被广泛应用在各个领域。比如，可以用来确定儿童或青少年的生长发育与实际年龄之间的差异，从而作为诊断和治疗儿童与青少年生长和内分泌失调的重要依据；也可以用来预测儿童和青少年的成人身高，帮助进行脊柱矫正、下肢均衡等方面的外科手术。除此以外，骨龄评估还可以应用在体育、司法鉴定等领域。在体育领域，骨龄评估可以通过预测身高来帮助挑选具有潜力的运动员，从而培养最适合各个体育项目的选手；在司法鉴定领域，骨龄评估可以用于确定死者的年龄信息，或者判断犯罪嫌疑人的年龄。
[0004]目前传统骨龄评估方式是依据既定的骨龄评测标准通过人工观察骨骼图像来计算骨龄，评估过程耗时长，且结果的主观性强、鲁棒性差，基于传统图像处理方法的骨龄评估方法学习能力弱。
[0005]因此，需要一种可自动提取图像特征，进而通过回归或分类得到骨骼年龄的骨龄评估方法，具有比以往方法更快速、更稳定、更准确的效果。

技术实现思路

[0006]为了克服上述技术缺陷，本专利技术的目的在于提供一种骨龄评估方法、系统及计算机可读存储介质，其基于卷积神经网络模拟骨龄评估过程，在临床医学应用上很有必要。
[0007]本专利技术公开了一种骨龄评估方法，包括以下步骤：
[0008]获取具有手掌图像的医学图像，并基于YOLOV5目标检测方法提取医学图像中的骨骺区域；
[0009]筛选具有骨骺区域的医学图像的数量至一第一阈值，并对筛选后的医学图像裁剪至预设尺寸，以得到预设数量的ROI图像；
[0010]将每一ROI图像作为输入图像输入至卷积神经网络中，其中卷积神经网络具有预设数量的并行本地网络，且每一本地网络包括4个卷积层和2个池化层；
[0011]卷积神经网络将每一本地网络输出的特征向量拼接，形成一特征向量集，并对特征向量集执行Dropout操作后使用带线性激活的全连接层执行回归操作，得到骨龄信息。
[0012]优选地，筛选具有骨骺区域的医学图像的数量至一第一阈值，并对筛选后的医学图像裁剪至预设尺寸，以得到预设数量的ROI图像的步骤包括：
[0013]设定一第二阈值，计算所提取的骨骺区域的数量与类别数的比值，并比较比值与第二阈值；
[0014]当比值小于第二阈值时，保留所提取的骨骺区域；
[0015]当比值大于第二阈值时，基于YOLOV5目标检测方法中的检测框类别和位置信息，确定骨骺区域中上边沿、下边沿、右边沿及右手拇指检测框定义的左边沿的各自坐标；
[0016]以确定的各自坐标为参考位置，计算所有骨骺区域的检测框的宽度平均值和高度平均值；
[0017]以参考位置为基准起点，将骨骺区域分别沿宽度方向和高度方向扩展一倍宽度平均值和一倍高度平均值，并将扩展至的位置定义为裁剪框的裁剪坐标；
[0018]基于YOLOV5目标检测方法中的检测框类别和位置信息，对裁剪框裁剪形成ROI图像。
[0019]优选地，筛选具有骨骺区域的医学图像的数量至一第一阈值，并对筛选后的医学图像裁剪至预设尺寸，以得到预设数量的ROI图像的步骤还包括：
[0020]统一每一ROI图像的尺寸为64
×
64，并将所有ROI图像整理成n通道ROI图像，其中卷积神经网络的并行本地网络的数量也为n。
[0021]优选地，每一本地网络包括的4个卷积层包括：
[0022]第一卷积层，第一卷积层的卷积核为16，步长为1，使得ROI图像的维度提取为15
×
15；
[0023]第二卷积层，第二卷积层的卷积核为32，步长为2，使得的ROI图像的维度提取为7
×
7；
[0024]第三卷积层，第三卷积层的卷积核为64，步长为1，使得的ROI图像的维度提取为5
×
5；
[0025]第四卷积层，第四卷积层的卷积核为128，步长为1，使得的ROI图像的维度提取为3
×
3；
[0026]每一本地网络包括的2个池化层包括：
[0027]第一池化层，连接于第一卷积层和第二卷积层间，第一池化层呈平均池化，平均池化的窗口为2
×
2；
[0028]第二池化层，连接于第四卷积层之后，第二池化层呈全局平均池化。
[0029]优选地，卷积神经网络将每一本地网络输出的特征向量拼接，形成一特征向量集，并对特征向量集执行Dropout操作后使用带线性激活的全连接层执行回归操作，得到骨龄信息的步骤包括：
[0030]每一本地网络输出一1
×1×
128维的特征向量；
[0031]卷积神经网络将每一本地网络输出的特征向量拼接，形成一2304维的特征向量集；
[0032]卷积神经网络对特征向量集执行Dropout操作后，将特征向量集输入至具有两个激活函数为ReLU的全连接层，以得到维数分别为256和128的输出特征向量；
[0033]对输出特征向量使用带线性激活的全连接层执行回归操作，得到骨龄信息。
[0034]优选地，骨龄评估方法还包括以下步骤：
[0035]于卷积神经网络内增加SENet注意力模块，使得SENet注意力模块为每一ROI图像
内的局部特征分配权重；
[0036]卷积神经网络对未经目标检测的医学图像学习后，与特征向量拼接融合，再执行Dropout操作后使用带线性激活的全连接层执行回归操作，得到骨龄信息。
[0037]本专利技术还公开了一种骨龄评估系统，包括：
[0038]获取模块，获取具有手掌图像的医学图像，并基于YOLOV5目标检测方法提取医学图像中的骨骺区域；
[0039]筛选模块，筛选具有骨骺区域的医学图像的数量至一第一阈值，并对筛选后的医学图像裁剪至预设尺寸，以得到预设数量的ROI图像；
[0040]处理模块，处理模块内建立有卷积神经网络，每一ROI图像作为输入图像输入至卷积神经网络中，其中卷积神经网络具有预设数量的并行本地网络，且每一本地网络包括4个卷积层和2个池化层；
[0041]卷积神经网络将每一本地网络输出的特征向量拼接，形成一特征向量集，并对特征向量集执行Dropout操作后使用带线性激活的全连接层执行回归操作，得到骨龄信息。
[0042]本专利技术又公开了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种骨龄评估方法，其特征在于，包括以下步骤：获取具有手掌图像的医学图像，并基于YOLOV5目标检测方法提取所述医学图像中的骨骺区域；筛选具有所述骨骺区域的医学图像的数量至一第一阈值，并对筛选后的医学图像裁剪至预设尺寸，以得到预设数量的ROI图像；将每一ROI图像作为输入图像输入至卷积神经网络中，其中所述卷积神经网络具有所述预设数量的并行本地网络，且每一本地网络包括4个卷积层和2个池化层；所述卷积神经网络将每一本地网络输出的特征向量拼接，形成一特征向量集，并对所述特征向量集执行Dropout操作后使用带线性激活的全连接层执行回归操作，得到骨龄信息。2.如权利要求1所述的骨龄评估方法，其特征在于，筛选具有所述骨骺区域的医学图像的数量至一第一阈值，并对筛选后的医学图像裁剪至预设尺寸，以得到预设数量的ROI图像的步骤包括：设定一第二阈值，计算所提取的骨骺区域的数量与类别数的比值，并比较所述比值与所述第二阈值；当所述比值小于所述第二阈值时，保留所提取的骨骺区域；当所述比值大于所述第二阈值时，基于YOLOV5目标检测方法中的检测框类别和位置信息，确定骨骺区域中上边沿、下边沿、右边沿及右手拇指检测框定义的左边沿的各自坐标；以确定的各自坐标为参考位置，计算所有骨骺区域的检测框的宽度平均值和高度平均值；以参考位置为基准起点，将所述骨骺区域分别沿宽度方向和高度方向扩展一倍宽度平均值和一倍高度平均值，并将扩展至的位置定义为裁剪框的裁剪坐标；基于YOLOV5目标检测方法中的检测框类别和位置信息，对裁剪框裁剪形成ROI图像。3.如权利要求2所述的骨龄评估方法，其特征在于，筛选具有所述骨骺区域的医学图像的数量至一第一阈值，并对筛选后的医学图像裁剪至预设尺寸，以得到预设数量的ROI图像的步骤还包括：统一每一ROI图像的尺寸为64
×
64，并将所有ROI图像整理成n通道ROI图像，其中卷积神经网络的并行本地网络的数量也为n。4.如权利要求3所述的骨龄评估方法，其特征在于，每一本地网络包括的4个卷积层包括：第一卷积层，所述第一卷积层的卷积核为16，步长为1，使得所述ROI图像的维度提取为15
×
15；第二卷积层，所述第二卷积层的卷积核为32，步长为2，使得所述的ROI图像的维度提取为7
×
7；第三卷积层，所述第三卷积层的卷积核为64，步长为1，使得所述的ROI图像的维度提取为5
×
...

【专利技术属性】
技术研发人员：王佩怡，洪源，
申请(专利权)人：濮阳大数据与人工智能研究院杭州博钊科技有限公司，
类型：发明
国别省市：